GAN是一種X話吧?

GAN是一種很厲害的技術，可以透過GAN生成以假亂真的圖片。
為非監督式學習。

簡介

GAN分為Generator與Discriminator，Generator分別生成圖片，而Discriminator為圖片做評分，可以把它想像成老師與學生，學生一開始什麼都不懂，經過老師的評分後，學生一次又一次的進步，老師也一次又一次的嚴格。

Generator

負責生成圖片

input

一組Vecotr

Output

一張圖片

Discriminator

負責打分數

input

一張圖片

Output

一個分數

Generator一定要和Discriminator一起訓練嗎?

我們可以想像成Autoencoder的Decoder，就可以囉~
那甚麼是Autoencoder呢?簡單來說就是輸入一張圖片，Encoder會把圖片變成一段code，而Decoder會把code還原成圖片，而這個圖片與Encoder的輸入越接近越好。

Conditional GAN

Generator

剛剛的GAN吃一段code生成圖片，不能決定生成甚麼樣子的圖片，而Conditional GAN可以生成你想要的圖片，比如說，你輸入一段文字(一隻小雞)還有一個Vector，那麼GAN就會生成像是小雞的圖片囉。

Discriminator

這邊的Discriminator與上面的GAN不同，這邊還要輸入Generator的輸入，因為這樣才能知道Generator的輸出是否正確，比如說，你說我想要生成一隻小雞，但是Generator輸出一隻豬，但這隻豬非常真實，那Discriminator照理來說會給它很高分，因為它很真實，但這其實不是我們想要的，因此要輸入Generator的輸入，讓Discriminator知道到底Generator的輸出與輸入是否有匹配到。

Cycle GAN

Cycle是循環的意思，因此可想而之，Cycle GAN是一種循環的GAN。

簡介

A domain 轉到 B domain，B domain再轉回A domain，輸入與輸出越接近越好(Cycle consistency)
在做轉換時，可能會把資訊隱藏起來，例如轉換空拍圖變成衛星照時，有些黑點消失了，但轉換回來後，黑點又出現了。

截圖從CycleGAN, a Master of Steganography這篇論文中提取

結論

今天大約介紹了GAN的想法與做法，明天來實作GAN。

參考資料

Hung-yi Lee:GAN Lecture 3 (2018): Unsupervised Conditional Generation